一种基于加权支持向量机的水声目标识别方法技术

本发明专利技术提出一种基于加权支持向量机的水声目标识别方法，所述方法包括分帧预处理、特征提取、搭建加权支持向量机识别模型、利用网格搜索法寻找最优核函数参数及惩罚因子、加权支持向量机识别模型进行训练、通过混淆矩阵反映分类器对水声目标的识别结果和统计分类器的识别正确率步骤。本发明专利技术针对水声目标特性，选取合适的特征提取方法，具备自主挑选模型参数的能力，对水声目标的正确识别率在80％以上，分类器的稳定性高于现有分类方法。

【技术实现步骤摘要】
一种基于加权支持向量机的水声目标识别方法
本专利技术属于水声目标识别
，特别是涉及一种基于加权支持向量机的水声目标识别方法。
技术介绍
随着声纳技术、信号检测与估计、计算机处理等技术的进步，水声目标识别技术已经发展成为一门具有独立体系的学科。该研究从目标特性分析、目标特征提取和目标识别分类器选择与设计三个方向出发，探究水下目标的分类识别问题。随着现代水声信号处理技术的发展，各类分类器不断被应用至水声目标识别系统中，使得水下目标识别技术向着智能化、自主化的趋势得到飞跃的发展。目前应用在水声目标识别问题中的决策分类方法主要有以下四种：1.遗传算法，通过模拟生物进化过程中的基因遗传和突变原理，寻找最优种群结构的智能优化算法。2.神经网络方法，模拟人脑处理运算方式，以神经元为基点建立非线性网络，能自主的进行学习训练，自适应调节分类网络结构实现对样本的分类预测。3.模糊识别方法，利用模糊集理论中最大隶属度原则或临近原则对样本类别进行判决。4.统计学习分类方法，通过对大量样本的统计分析，获取不同类别目标统计分布特征之间的差异,对测试集样本的统计分布特征进行距离度量，实现类别模式之间的匹配。然而，水声目标工况多变、海洋环境信道复杂以及样本数据难以获取等因素为水声目标识别带来了极大的挑战。由于神经网络是基于机器学习的经验风险最小化准则，在训练样本数目不足时可能引起“过学习”或“欠学习”问题，严重影响分类性能。而模糊识别方法主要依靠人的主观因素，不具有自主学习能力，不适用于复杂分类系统。基于统计学习的支持向量机分类器利用结构风险最小化准则解决了小样本、非线性的分类问题，有效的避免了样本有限、维度灾难、过学习以及局部最小值等问题，在水声目标识别中有重要的应用价值。
技术实现思路
本专利技术目的是为了解决由水声目标工况多变、海洋环境信道复杂以及样本数据难以获取等因素引起的目标分类器鲁棒性不强、识别效率低的问题，提出了一种基于加权支持向量机的水声目标识别方法。本专利技术是通过以下技术方案实现的，本专利技术提出一种基于加权支持向量机的水声目标识别方法，具体包括以下步骤：步骤一：对获取的N类水声目标样本数据，进行分帧预处理；其中N大于等于2；步骤二：根据步骤一得到的预处理样本，利用谱分析特征提取方法获得各类样本的特征向量，作为分类器特征样本库；步骤三：将水声目标特征样本两两组合生成个二元目标分类对，添加类别标签，把N元分类问题转化为个二元分类问题，搭建个加权支持向量机识别模型，选取高斯径向基核函数作为内积函数；步骤四：根据步骤三中生成的二元目标分类对，分别设定加权支持向量机识别模型的核函数参数及惩罚因子参选范围，选择各类目标40％的特征样本作为参选训练数据，以k折交叉验证方法作为分类器识别性能评价标准，设置步长，利用网格搜索法寻找最优核函数参数及惩罚因子；步骤五：根据步骤四中获得的最优核函数参数及惩罚因子，选取各类目标70％的特征样本输入到对应的加权支持向量机识别模型进行训练，所述各类目标70％的特征样本中包含步骤四中的参选训练数据；步骤六：根据步骤五中获得训练完成的二元水声目标识别分类器，令未参加训练的30％特征样本数据作为测试样本，同时输入到个分类器中进行识别，利用一对一举手准则判定水声目标所属类别，通过混淆矩阵反映分类器对水声目标的识别结果；步骤七：统计分类器的识别正确率，评价分类器性能，当识别正确率低于设定阈值时，返回步骤四，提高参选样本数量，重新选择模型参数。进一步地，在步骤一中，对水声目标样本数据进行分帧，也就是将信号样本分割成一段一段的帧序列，分帧之后，每一帧的长度称为“帧长”，帧序列的数目称为“帧数”，以每一帧数据作为一个样本。进一步地，在步骤二中，根据步骤一中获得的预处理样本，对每一帧样本数据进行谱分析提取特征，提取的特征包括：利用LOFAR谱分析获得水声目标信号的频域线谱特征；利用DEMON谱分析获得水声目标信号调制谱的基频特征；利用高阶谱分析抑制水声目标信号中的高斯噪声，获得信号中非线性耦合特征；利用小波变换分析获得水声目标信号中的能量尺度变化特征；将谱分析获得的特征值重组降维，归一化处理后，获得的特征向量称之为水声目标的特征样本，建立分类器特征样本库。进一步地，所述步骤三具体为：当特征样本库中目标个数N＞2时，对应的训练样本集为{x1,x2,...,xN}；将样本集中按样本类别两两组成训练样本集，即训练样本集Ti-j(xi,xj)满足(i,j)∈{(i,j)|i＞j,i,j＝1,2,...,N}；将标号为i的训练样本标记为正类点，标号为j的样本标记为负类点，形成个二元目标样本对，把N元分类问题转化为个二元分类问题，由此搭建个加权支持向量机识别模型；假设训练样本数据集yi∈Y＝{-1,1}，i＝1,2,...,n，能够被一个高维空间中的超平面(w·x)+b＝0分开，式中b∈R，使对应yi＝+1的样本和yi＝-1的样本分布在超平面两侧，将距超平面最近的样本点称为支持向量，搜寻最优超平面的核心思想是使超平面到支持向量之间的距离最大，因此将问题转化为一个凸二次规划问题：对于分类样本而言，存在部分样本线性不可分情况，即无法满足条件找到最优分类超平面，故式(1)中引入惩罚因子C和松弛变量ξ来降低yi[(w·xi)+b]≥1的约束；支持向量机识别模型的最优分类超平面是依靠支持向量的位置确定的，与非支持向量无关，将分布在间隔面与超平面之间以及超平面一侧的支持向量称为边界支持向量，则类别中边界支持向量的比例越大样本被错分的比例也越大；从概率论的角度分类标号为-1的边界支持向量与标号为+1的边界支持向量出现的概率相同，如果正类样本数与负类样本数不相等，则表现为训练样本数少的类别边界支持向量比例大于训练样本数多的类别事件发生的概率大，即样本数少的类别中被错分的比例更大，因此引入对类别加权方法，将原始凸二次规划问题转化为：式中：是类yi的权值，当时加权支持向量机与支持向量机完全相同，的大小取决于两类样本数目的差异，由此获得加权后的拉格朗日表达式为：其中，α表示拉格朗日乘子；i＝1,2,...,n；j＝1,2,...,n；决策函数为：选择高斯径向基核函数作为内积函数，所述内积函数表达式为：其中σ表示高斯径向基核函数参数。进一步地，所述网格搜索法寻找最优核函数参数及惩罚因子，具体为：步骤1、首先根据经验确定惩罚因子C以及核函数参数σ的搜索范围；步骤2、其次选择适合的步长，建立搜索网格(C,σ)；步骤3、基于每一个网格上的参数点训练加权支持向量机识别模型，以k折交叉验证的结果作为该参数点下分类器的识别精度；步骤4、遍历全部网格后，选择使加权支持向量机识别模型对测试样本识别精度最高的参数。进一步地，在步骤五中，选择各类目标70％的特征样本作为训练样本，分别对个加权支持向量机识别模型进本文档来自技高网...

【技术保护点】
1.一种基于加权支持向量机的水声目标识别方法，其特征在于：具体包括以下步骤：/n步骤一：对获取的N类水声目标样本数据，进行分帧预处理；其中N大于等于2；/n步骤二：根据步骤一得到的预处理样本，利用谱分析特征提取方法获得各类样本的特征向量，作为分类器特征样本库；/n步骤三：将水声目标特征样本两两组合生成

【技术特征摘要】
1.一种基于加权支持向量机的水声目标识别方法，其特征在于：具体包括以下步骤：
步骤一：对获取的N类水声目标样本数据，进行分帧预处理；其中N大于等于2；
步骤二：根据步骤一得到的预处理样本，利用谱分析特征提取方法获得各类样本的特征向量，作为分类器特征样本库；
步骤三：将水声目标特征样本两两组合生成个二元目标分类对，添加类别标签，把N元分类问题转化为个二元分类问题，搭建个加权支持向量机识别模型，选取高斯径向基核函数作为内积函数；
步骤四：根据步骤三中生成的二元目标分类对，分别设定加权支持向量机识别模型的核函数参数及惩罚因子参选范围，选择各类目标40％的特征样本作为参选训练数据，以k折交叉验证方法作为分类器识别性能评价标准，设置步长，利用网格搜索法寻找最优核函数参数及惩罚因子；
步骤五：根据步骤四中获得的最优核函数参数及惩罚因子，选取各类目标70％的特征样本输入到对应的加权支持向量机识别模型进行训练，所述各类目标70％的特征样本中包含步骤四中的参选训练数据；
步骤六：根据步骤五中获得训练完成的二元水声目标识别分类器，令未参加训练的30％特征样本数据作为测试样本，同时输入到个分类器中进行识别，利用一对一举手准则判定水声目标所属类别，通过混淆矩阵反映分类器对水声目标的识别结果；
步骤七：统计分类器的识别正确率，评价分类器性能，当识别正确率低于设定阈值时，返回步骤四，提高参选样本数量，重新选择模型参数。


2.根据权利要求1所述的方法，其特征在于：在步骤一中，对水声目标样本数据进行分帧，也就是将信号样本分割成一段一段的帧序列，分帧之后，每一帧的长度称为“帧长”，帧序列的数目称为“帧数”，以每一帧数据作为一个样本。


3.根据权利要求2所述的方法，其特征在于：在步骤二中，根据步骤一中获得的预处理样本，对每一帧样本数据进行谱分析提取特征，提取的特征包括：
利用LOFAR谱分析获得水声目标信号的频域线谱特征；
利用DEMON谱分析获得水声目标信号调制谱的基频特征；
利用高阶谱分析抑制水声目标信号中的高斯噪声，获得信号中非线性耦合特征；
利用小波变换分析获得水声目标信号中的能量尺度变化特征；
将谱分析获得的特征值重组降维，归一化处理后，获得的特征向量称之为水声目标的特征样本，建立分类器特征样本库。


4.根据权利要求3所述的方法，其特征在于：所述步骤三具体为：
当特征样本库中目标个数N＞2时，对应的训练样本集为{x1,x2,...,xN}；将样本集中按样本类别两两组成训练样本集，即训练样本集Ti-j(xi,xj)满足(i,j)∈{(i,j)|i＞j,i,j＝1,2,...,N}；将标号为i的训练样本标记为正类点，标号为j的样本标记为负类点，形成个二元目标样本对，把N元分类问题转化为个二元分类问题，由此搭建个加权支持向量机识别模型；
假设训练样本数据集yi∈Y＝{-1,1}，i＝1,2,...,n，能够被一个高维空间中的超平面(w·x)+b＝0分开，式中b∈R，使对应yi＝+1的样本和yi＝-1的样本分布在超平面两侧，将距超...

【专利技术属性】
技术研发人员：齐滨，梁国龙，付进，孙金，王燕，王逸林，张光普，王晋晋，邹男，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23